Dalla strategia dei dati alla maturità dell'IA: cosa serve davvero alle aziende prima di iniziare a lavorare

In questa intervista, il Dr. Gillian Kant, Senior Data Scientist presso Finanz-DATA GmbH e con sede presso la Georg-August-Universität di Gottinga, fornisce indicazioni sui passaggi chiave del percorso che porta da una strategia dei dati ben ponderata alla maturità dell'IA a livello aziendale. Parla di esempi pratici specifici, sfide tipiche e fattori di successo per le organizzazioni basate sui dati.

Molte organizzazioni vogliono "fare qualcosa con l'IA", ma spesso non hanno una solida strategia sui dati. Perché è così importante prima di pensare ai modelli?

Prima di pensare ai modelli di IA, deve essere chiaro quali dati sono disponibili, come vengono raccolti, strutturati e protetti. Senza definizioni standardizzate e fonti di dati pulite, si possono verificare incoerenze e conclusioni errate. Una strategia sui dati definisce quali dati sono rilevanti per quale caso d'uso, chi è responsabile della qualità e della gestione e come vengono garantite la protezione e la conformità dei dati. In questo modo si evitano soluzioni isolate, si risparmia sulla preparazione dei dati e si creano le basi per progetti di IA scalabili.

Secondo lei, quali sono gli elementi più importanti nel percorso verso la maturità dell'IA - a livello tecnico, organizzativo e culturale?

A livello tecnico, credo sia necessaria un'infrastruttura flessibile: risorse informatiche scalabili e pipeline automatizzate per l'elaborazione dei dati. A livello organizzativo, sono fondamentali responsabilità chiare. Una metodologia di progetto agile garantisce cicli di feedback rapidi. A livello culturale, invece, i dipendenti devono essere alfabetizzati ai dati: Formazione in materia di "alfabetizzazione ai dati", scambio aperto su successi e insuccessi e motivazione per miglioramenti basati sui dati. Ritengo che la tecnologia, l'organizzazione e la cultura insieme costituiscano la struttura su cui può crescere una cultura aziendale abilitata all'IA.

Come si può valutare realisticamente il livello di maturità di un'azienda e quali strumenti o framework aiutano a determinare lo status quo?

Il livello di maturità può essere determinato attraverso analisi con framework come il "Data & Analytics Maturity Model" di Deloitte. Questo framework valuta dimensioni quali la qualità dei dati, lo stack tecnologico, i processi organizzativi e la cultura secondo livelli definiti da "ad hoc" a "ottimizzato".

Cosa direbbe: a che punto un'azienda è "pronta" per l'IA e come si riconosce?

Penso che un'azienda sia pronta per l'IA quando ha una chiara strategia sui dati, casi d'uso convalidati e PoC iniziali.

Un'azienda di questo tipo gestisce pipeline ETL automatizzate, utilizza una piattaforma centrale per le analisi e la distribuzione e dispone di un team interdisciplinare che traduce i problemi aziendali in soluzioni tecniche. Sono fondamentali le linee guida stabilite per i dati, i budget approvati per i progetti di IA e l'aumento dimostrabile dell'efficienza o dei ricavi grazie alle iniziative di data science.

Se guardasse indietro tra tre anni, come riconoscerebbe che un'azienda ha iniziato il suo viaggio nell'IA nella giusta direzione?

Quando ci guarderemo indietro nel 2028, riconosceremo i percorsi di successo nell'IA dal fatto che i processi supportati dall'IA fanno parte delle operazioni quotidiane. Le aziende che hanno implementato per tempo la loro strategia sui dati avranno un'elevata qualità dei dati e pipeline MLOps end-to-end. Un esempio pratico potrebbe essere una soluzione di manutenzione predittiva per le nostre implementazioni AWS che riduce le interruzioni non pianificate di una certa percentuale. Questi successi documentano che la strategia di IA non è stata solo avviata, ma anche adeguatamente studiata.